اشتراک
تیم دیوید بیکر در دانشگاه واشینگتن دو نوع آنزیم پروتئاز را از صفر طراحی کردند – یک پروتئاز سیستئینی (چپ) و یک متالوپروتئاز (راست)
تیم دیوید بیکر در دانشگاه واشینگتن دو نوع آنزیم پروتئاز را از صفر طراحی کردند – یک پروتئاز سیستئینی (چپ) و یک متالوپروتئاز (راست)
علم پژوهش فناوری

آزمایشگاه بیکر چالش طراحی پروتئازهای جدید را بر عهده گرفت و آنزیم‌هایی ایجاد کرد که مانند پروتئین‌های طبیعی تا نمی‌شوند

در یک نگاه چکیدهٔ خودکار موتور هوش مصنوعی افق آبی

پژوهشگران آزمایشگاه دیوید بیکر، برنده جایزه نوبل ۲۰۲۴، با استفاده از مدل‌های هوش مصنوعی مولد، پروتئازهای کاملاً جدیدی طراحی کرده‌اند که می‌توانند پیوندهای پپتیدی را شکسته و مانند پروتئین‌های طبیعی تا بخورند. آنها برای طراحی پروتئازهای سیستئینی و متالوپروتئازهای روی(II)، از خط لوله‌ای شامل مدل RFdiffusion برای ساخت اسکلت‌های پروتئینی، مدلی برای پیش‌بینی توالی اسیدهای آمینه و AlphaFold برای پیش‌بینی ساختار استفاده کردند. برای پروتئاز سیستئینی، ۱۳ ژن از ۶۹ ژن طراحی‌شده فعالیت کاتالیتیک نشان دادند. در مورد متالوپروتئاز، ترکیب دو سایت فعال طبیعی و گنجاندن یک مولکول آب در سایت فعال، که در ابتدا نادیده گرفته شده بود، حیاتی بود و پس از آن ۳۱ طرح از ۳۸ طرح فعالیت نشان دادند. با وجود موفقیت در تا خوردن صحیح، این آنزیم‌ها به اندازه نسخه‌های طبیعی کارآمد نبودند و بهینه‌سازی دستی با جهش‌های هدفمند همچنان لازم بود، زیرا مدل‌های هوش مصنوعی قادر به پیش‌بینی این بهبودها نبودند. پژوهشگران معتقدند این پروتئازهای طراحی‌شده می‌توانند کلاس جدیدی از درمان‌ها را ایجاد کنند و کاربردهایی مانند تجزیه میکروپلاستیک‌ها و سموم دفع آفات داشته باشند، هرچند برخی بر این باورند که بهینه‌سازی آنزیم‌های موجود در بدن انسان رویکرد سریع‌تری است.

مدل‌های هوش مصنوعی مولد توسعه‌یافته در آزمایشگاه دیوید بیکر، برنده جایزه نوبل ۲۰۲۴، برای طراحی نسخه‌های جدیدی از دو نوع پروتئاز قادر به شکستن پیوندهای پپتیدی استفاده شده‌اند.1,2 روش‌های محاسباتی کمک کردند تا پروتئازهای سیستئینی و متالوپروتئازهای روی(II) کاملاً جدیدی ساخته شوند که می‌توانند در محصولات آرایشی، مصرفی یا دارویی کاربرد داشته باشند.

بیکر توضیح می‌دهد که پروتئازها «از پیچیده‌ترین ماشین‌های مولکولی در زیست‌شناسی هستند و یادگیری نحوه طراحی آن‌ها از صفر، چالشی جالب با کاربردهای بسیار جذاب است».

برای هر دو آنزیم از یک خط لوله طراحی مشابه استفاده شد که با سایت‌های فعال شناخته‌شده آغاز گردید. سپس مدل هوش مصنوعی مولد RFdiffusion اسکلت‌های پروتئینی احتمالی را حول آن‌ها ساخت. بعد از آن، مدل دیگری توالی اسیدهای آمینه‌ای را پیش‌بینی کرد که می‌توانستند با اسکلت تطابق یابند. این فرآیند همچنین می‌تواند برای مدل‌سازی چیزهایی مانند فلزات، کوفاکتورها و مولکول‌های کوچک استفاده شود و به طراحی متالوپروتئاز کمک کرد. در نهایت، از AlphaFold برای پیش‌بینی ساختار طرح‌های پروتئینی جدید بر اساس توالی اسیدهای آمینه آن‌ها استفاده شد.

برای پروتئاز سیستئینی، سایت فعال بر اساس یک پروتئاز مخمر مدل‌سازی شد و خط لوله طراحی ۶۹ ژن تولید کرد که برای ۱۲ اسکلت منحصربه‌فرد کدگذاری شده بودند. از این میان، ۱۳ ژن نماینده سه مورد از ۱۲ اسکلت، فعالیت کاتالیتیک نشان دادند.

برای متالوپروتئاز روی(II)، سایت فعال ترکیبی از دو سایت طبیعی بود، زیرا هیچ سایت منفردی با نحوه اسکلت‌بندی نرم‌افزار سازگار نبود. کجیا وو، پژوهشگر پسادکتر، درباره تصمیم برای ترکیب سایت‌های فعال می‌گوید: «ما استدلال کردیم که این کار از نظر نرخ موفقیت و فعالیت بسیار موفق‌تر خواهد بود.»

طرحواره
مدل هوش مصنوعی مولد RFDiffusion توانست یک اسکلت پروتئینی را برای قرار گرفتن حول سایت فعال یک پروتئاز سیستئینی جدید طراحی کند

متالوپروتئاز با مانع دوم روبرو شد، زیرا اگرچه طرح‌های اولیه بر اساس محاسبات سالم به نظر می‌رسیدند، اما فعالیت کمی نشان دادند. تنها زمانی که همکار پیشنهاد کرد یک مولکول آب در سایت فعال گنجانده شود، فعالیت بهبود یافت.

اگرچه مشخص است که آب برای پروتئازهای روی(II) ضروری است، اما در طرح‌های اولیه گنجانده نشده بود. وو می‌گوید: «هیچ‌کس در طراحی خود آب را مدل‌سازی نمی‌کند.» او اضافه می‌کند: «هیچ‌کس واقعاً درک نکرده بود که موقعیت آب یا روی بدون آب، عامل حیاتی برای اطمینان از آنزیم‌های فعال است.»

پس از گنجاندن آب در مدل‌ها، ۳۱ مورد از ۳۸ طرح فعالیت کاتالیتیک نشان دادند.

بهینه‌سازی دستی همچنان لازم است

پروتئازهای طراحی‌شده از نظر ساختاری منحصربه‌فرد بودند و مانند آنزیم‌های طبیعی تا می‌خوردند. بهینه‌سازی بیشتر با جهش دادن هر اسید آمینه در فاصله ۴ آنگسترومی از سایت فعال و چرخش از طریق تمام احتمالات حاصل شد. در هر دو مورد، اکثر این جهش‌ها فعالیت را کاهش دادند، در حالی که تعداد کمی از ترکیبات فعالیت را بهبود بخشیدند. هیچ‌کدام از این موارد توسط مدل‌های هوش مصنوعی پیش‌بینی نشده بودند.

در حالی که پروتئازها می‌توانستند پیوندهای پپتیدی را بشکنند، به اندازه نسخه‌های طبیعی کارآمد یا سریع نبودند. پس از بهینه‌سازی، فعالیت کاتالیتیک بهترین متغیرها برای هر کلاس پروتئاز تقریباً یک تا دو مرتبه بزرگی کمتر از همتایان بومی با عملکرد برتر آن‌ها بود.

فعالیت کاتالیتیک تحت تأثیر عوامل متعددی از جمله ساختار هدف است. اهداف اولیه برای هر دو پروتئاز طراحی‌شده، توالی‌های پپتیدی بودند که در حین طراحی آنزیم به صورت محاسباتی تولید شده بودند و نه پروتئین‌های کاملاً تا خورده. متالوپروتئازهای روی(II) بیشتر روی چندین پروتئین انسانی درگیر در بیماری‌هایی مانند آلزایمر آزمایش شدند و توانایی شکستن آن‌ها را داشتند.

کارولین لین کامرلین، بیوفیزیکدان محاسباتی در مؤسسه فناوری جورجیا، آمریکا، توضیح می‌دهد: «پیوندهای آمیدی شکستنشان بسیار دشوار است و پروتئازها آنزیم‌های بسیار حساسی هستند – همه چیز باید با دقت زیر آنگستروم دقیقاً در جای خود قرار گیرد.»

کریس اورال، بیوشیمیست پروتئاز در دانشگاه بریتیش کلمبیا، کانادا، می‌گوید: «اینکه آن‌ها توانستند یک تا خوردگی جدید را کار کنند، فوق‌العاده است، اما بسیار ناکارآمد بود.» او می‌گوید که تکرارهای آینده احتمالاً بهبود خواهند یافت و ساختارهای جدید بینش‌های منحصربه‌فردی درباره تکامل پروتئاز ارائه می‌دهند. او یادآوری می‌کند: «اولین پروتئازی که تکامل یافته بود، خیلی خوب نبود.» و اضافه می‌کند: «شاید برخی از این تا خوردگی‌ها بازتاب تا خوردگی‌های باستانی پروتئازی باشند که بعداً به نفع طرح‌های کارآمدتر از بین رفتند.»

بیکر می‌گوید هدف او ایجاد قابلیت‌های زیستی است که تکامل هرگز به آن‌ها دست نیافته است. او اظهار داشت: «پروتئازهای طراحی‌شده منجر به کلاسی جدید از درمان‌ها خواهند شد»، و افزود: «آنزیم‌ها به طور کلی می‌توانند کاربردهای گسترده‌ای مانند تجزیه میکروپلاستیک‌ها و سموم دفع آفات، تبدیل فرآیندهای تولید جهانی و موارد دیگر داشته باشند.»

چارلز کریک، شیمی‌دار دارویی در دانشگاه کالیفرنیا، سان‌فرانسیسکو، آمریکا، موافق است که پروتئازها می‌توانند پتانسیل درمانی داشته باشند، اما معتقد است که اعمال ابزارهای طراحی روی آنزیم‌هایی که از قبل در بدن انسان کار می‌کنند، رویکرد سریع‌تری است. او می‌گوید: «بیایید آن‌هایی را که اکنون داریم برداریم و سرعت تغییر ویژگی‌های اختصاصی آن‌ها را بدون ایمنی‌زا کردنشان افزایش دهیم.» او توضیح می‌دهد: «زیرا اگر چیزی را ایمنی‌زا کنید و به افراد تزریق کنید، فقط یک بار قابل استفاده خواهد بود.»

اشتراک:
این گزارش ترجمه و بازنویسی خبری با موتور هوش مصنوعی افق آبی است و برای خوانندهٔ فارسی‌زبان بازتنظیم شده. منبع اصلی: chemistryworld.com